「脚本我写得明明白白，怎么 AI 出来的片子全对不上？」上周五晚上，做零食带货号的小唐把手机推到我面前——屏幕里那条三十秒视频，画面里全是她要的东西，可产品特写插在口播中间，收尾镜头莫名其妙冲到了开头。
她不是没试过 AI。两三百字的脚本整段贴进去，工具也老老实实出了片，问题是字幕跟画面对不上，剪的时候比不用 AI 还费劲。
问题不在工具，在投喂方式：她把三十秒的脚本当成一句话丢给了 AI。
一句话出片，出来的是一镜到底的连续画面；能剪的片子，是一组按镜头切好的素材。中间差的那一步，叫分镜。
一句话出片，为什么拼不成一条片子
为什么整段脚本直接丢给 AI，回来的东西就是没法剪？
因为生成工具拿到一整段话，只会把它压成一个连续画面，哪里该切、哪里该给特写，全凭模型自己发挥。你在脚本里写「先给产品特写，再切全景，最后回到人物」，它看到的只是一段描述，不是一张镜头表。
做短视频真正要做的翻译，是把「讲什么」翻成「拍什么」：哪一秒是全景、哪一秒是特写、每镜几秒，拆得越清楚，AI 给的素材越好剪。
这一步官方其实已经给了标准答案。可灵官方 API 文档写明，可灵视频 3.0 支持用固定格式生成多镜头视频——「镜头 n, m, words」，n 是分镜序号，m 是这一镜的秒数，words 是这一镜的画面描述。
分镜序号最多支持 6 个，所有分镜的秒数加起来，必须等于视频总时长。
换句话说，官方推荐的用法本来就是拆成最多 6 个镜头、逐镜去喂，这跟剪辑师开工前先画分镜表，是同一套逻辑。
第一步：把脚本压成六行镜头表
拿小唐那条三十秒零食视频举例。脚本原本是一段两百字的口播词，拆完是这样的：
- 镜头一，3 秒，中景：深夜书桌前，女生拆开快递盒，台灯暖光
- 镜头二，4 秒，特写：手指掰开酥脆的零食，断面掉渣
- 镜头三，5 秒，近景：女生咬一口，眼睛睁大点头
- 镜头四，4 秒，特写：包装袋正面缓慢推近，logo 清晰
- 镜头五，6 秒，中景：女生举起产品对着镜头说话
- 镜头六，8 秒，特写转中景：产品摆在桌面，留出字幕位收尾
六行，每行三样东西：景别、秒数、画面里发生的事，3 加 4 加 5 加 4 加 6 加 8 正好三十秒。
写每一镜时只描述画面里发生什么，别写「突出卖点」「有感染力」这类要求。
即梦官方短剧页给的提示词示例就是这么写的：镜头先用中远景交代二人的位置，再贴近侧面跟随出剑动作，最后停在近距离僵持的一刻——景别、动作、停点，全是能执行的画面指令，没有一句形容词。
第二步：逐镜出画面，锁住人物
镜头表有了，接下来逐镜生成，有两条路可走。
省事的一条：把六行直接按可灵的官方格式拼成一段提示词，一次生成六个镜头，模型自己按秒数切。精修的一条：在可灵或即梦里逐镜出画面，用即梦官方短剧页说的办法——把角色图固定下来，每一镜沿用同一段人物描述，出完逐镜检查外观。
逐镜出片最大的坑，是镜与镜之间「换了个人」。
可灵官方给了两层解法：一是首尾帧功能，官方指南写明两张图的内容要尽量相似，差异过大可能触发镜头切换；二是 3.0 的元素库，图生视频时可以绑定最多 3 个元素，把主角的脸、服装、关键道具锁住，换镜头不换人。
小唐的实际操作，是把女主定妆图存成元素，六个镜头全部从元素库里点选同一个人。出完六段素材回看，发型、服装、脸没有一次跳。
第三步：对着镜头表验收，缺哪补哪
六段素材到手，先别急着拼。
为什么非要对着镜头表验收？
把镜头表摆在旁边一镜一镜对：景别对不对，秒数够不够，主角是不是同一个人。对着表验收有个好处——缺哪一镜清清楚楚，某一段动作不对就单独重出那一镜，其余五段不用动。
这件事直接关系到钱。上一轮我们对比过可灵和即梦的积分消耗账，积分按次扣，返工次数就是成本，整段重来和只补一镜，差出好几倍。
验收完拼回剪映，按镜头表顺序排轨道，配乐字幕压上去，一条三十秒的片子就算成了。
分镜表就是你跟 AI 之间的合同：每一行写清景别、秒数和动作，AI 才没法自由发挥。
收尾：先拆镜，再谈出片
回到开头小唐的问题。她后来把同一份脚本按这六行重跑了一遍，当晚就出了能剪的版本，第二天上午片子挂上号。
工具从一句话出片进化到多镜头生成，路已经铺好了，差的只是你肯不肯先花十分钟拆镜头。
你上一次让 AI 出视频，废在第几镜？评论区聊聊。
